基于压缩感知的矩阵低秩稀疏分解目标跟踪算法

基于压缩感知的矩阵低秩稀疏分解目标跟踪算法

1基于压缩感知的目标跟踪跟踪算法目标跟踪是计算机视觉领域的一个重要研究方向。对于真实场景的跟踪算法，为了有效解决复杂场景下目标跟踪过程中的目标锁定、光刻变异和快速运动等挑战，需要进行有效的调查。虽然人们在这方面进行了深入的研究，但复杂场景下的目标跟踪算法还不成熟。为了解决复杂场景下目标跟踪的问题，实际上的鲁棒跟踪仍然是一个问题。目标跟踪是指在连续的图像序列中对人们所感兴趣的运动目标进行检测提取,根据当前帧提取的目标特征进行识别和判断,预测跟踪目标的运动状态.目标外观模型是实现目标鲁棒跟踪的关键要素.近年来,基于压缩感知的目标外观模型构建方法被成功用于目标跟踪中针对复杂场景下目标跟踪过程中目标遮挡、光照变化、快速运动等问题,本文将压缩感知和矩阵低秩稀疏分解结合,提出一种压缩感知的矩阵低秩稀疏分解目标跟踪算法.该算法将目标跟踪看成寻找与目标外观模型最相似区域问题,用矩阵低秩稀疏分解代替压缩感知跟踪器中的分类器,弱化上述压缩感知跟踪器缺点.本文算法通过特征向量压缩感知获得压缩域特征构建候选目标外观模型,用事先定义好的目标模板字典与每个候选目标外观模型组成观测矩阵.利用矩阵低秩稀疏分解得到各个观测矩阵的稀疏误差部分,提取各个稀疏误差部分对应候选目标模板的向量,将这些向量构成误差矩阵.求解误差矩阵列向量1-范数问题,取1-范数最小列代表的候选目标作为当前帧的目标估计.此外,本文提出一种目标模板字典在线更新方法以适应目标及场景的变化.2基于原始特征的or目标外观模型压缩感知的概念由Donoho取s=M/4,M为原始特征向量维度.R是一个非常稀疏的随机测量矩阵,整个矩阵的计算复杂度为O(cN),c≤4,从而压缩感知降维公式:其中,原始特征o∈R目标外观模型指采用目标特征构建外观模型作为目标观测.本文采用Haar-like特征的压缩域特征构建目标外观模型.Haar-like特征有别于传统Haar特征,传统Haar特征的特征模板有白、黑两种矩形,特征值为白色矩形像素和减去黑色矩形像素和,而本文采用的Haar-like特征只计算矩形内像素值之和.本文采用与文献[1]类似的方法构建特征向量,定义一组矩形框特征{h其中,i和j为矩形框的宽和高,w和h为目标图像块的宽和高.样本与不同尺度矩形框在不同位置卷积生成样本的原始特征向量:O∈R2.2图像模型采样设图像序列的初始帧为训练图像,手动设定跟踪目标位置,在该位置周围通过w×h的滑动窗口稠密采样,w和h是采样图像的宽和高,定义采样范围D其中,i表示模板数量,n表示外观模型维度.通过同样的方法,采样获得候选目标模板集合H={h3用于压缩的感觉矩阵的低质量稀释分解目标跟踪算法3.1基于低级别稀疏分解的目标估计矩阵低秩稀疏分解基于矩阵低秩稀疏分解思想,将跟踪过程中的目标表示成矩阵,该矩阵具备低秩性.那么对上节得到观测矩阵Y其中,Z3.2目标外观基于快速运行的能力非精确增广拉格朗日乘子(InexactAugmentedLagrangeMultiplier,IALM)法利用IALM解决RPCA问题,则问题(6)的增广拉格朗日函数定义为:其中,Y=sgn(D)/J(sgn(D)),J(D)=max(‖D‖考虑到算法运行时间,每一次迭代求出子问题可以不要求是精确解,只需要得到子问题的近似解便可以使算法最终收敛得到原问题(6)的最优化解.这样便得到一个收敛更快且更简单的算法,即非精确增广拉格朗日乘子法.本文利用IALM求解RPCA问题时,取跟踪过程中随着时间推移以及目标遮挡、光照变化、快速运动等问题影响,目标外观模型会发生显著变化.为保证跟踪的鲁棒性及准确性,必须对字典在线更新.Lu等人图1列出了david视频序列初始字典和第10帧更新后字典,该视频序列包含目标遮挡、光照变化及快速运动等问题.其中第1幅图片是初始字典,第2幅图片是第10帧更新后字典(字典包含12个目标模板).可以看出,字典中约三分之二的模板为新模板,约三分一的模板为旧模板.由此可见,该模板更新策略能很好地适应目标外观的变化.3.4基于改进特点的目标跟踪本文提出压缩感知的矩阵低秩稀疏分解目标跟踪算法的具体步骤如下:初始化阶段:第一帧设置目标位置、初始化目标模板字典D.跟踪阶段:第t帧.1.根据搜索半径γ在上一帧跟踪目标位置周围采样获得候选目标模板集合H={h2.外观模型X3.用IALM对观测矩阵Y4.对u个候选目标模板的外观模型重复2、3操作,将得到的列向量组成误差矩阵E5.求解E6.字典D在线更新,输入第t+1帧.4挑战视频跟踪实验本文算法采用MATLAB和C++实现,跟踪目标用矩形框表示.实验参数设置如下:采集目标模板45个、目标模板搜索半径20像素、候选目标搜索半径20像素、候选目标样本数量50个(Girl为100个).为了验证本文算法的性能,我们在8个挑战性视频上进行跟踪实验.这些视频序列覆盖了复杂场景下目标跟踪过程中目标遮挡、快速运动、光照变化等问题.所采用的视频序列为:david、bird2、blurbody、box、Girl、singer1、faceDccl、Trans,所有视频序列可以从在线资源上下载4.1实验结果与分析1.目标遮挡及外观变化.视频序列(bird2、box、Girl、david、faceDccl、Trans)包含部分遮挡及外观变化等问题.bird2序列中跟踪目标存在长时间部分遮挡及严重遮挡,遮挡面积最大可达到跟踪目标区域50%以上.该序列还包含目标多次旋转、目标外观发生变化等问题.bird2序列实验部分结果如下页图2(a)所示,第37帧时LOT丢失跟踪目标,第81帧时目标旋转造成CT丢失跟踪目标,bird2序列中本文算法与CSK在视频全过程中能够很好地跟踪目标,本文算法能够精确跟踪目标:一方面因为字典更新策略保存较多外观变化的模板以适应目标外观发生重大变化;另一方面因为基于矩阵低秩稀疏分解寻找与字典最相似区域的目标估计.box序列中包含目标遮挡、尺度变化问题,跟踪目标存在严重遮挡,遮挡面积最大达到跟踪目标区域80%以上.实验部分结果如图2(b)所示,第315帧时目标出现部分遮挡、尺度变化,LOT、CSK和VR-V丢失跟踪目标,box序列中本文算法和CT能够较好地完成目标跟踪任务.Girl序列中存在相似目标部分遮挡、尺度变化问题,跟踪目标发生多次旋转,造成目标外观巨大变化.实验部分结果如图2(c)所示,与其他算法出现漂移相比,本文算法能够很好地处理长时间的部分遮挡.david、faceOcc1、Trans三个序列均有部分遮挡及外观变化问题,实验部分结果如图2(d)、(e)、(f)所示.六组实验结果表明,本文算法基于矩阵低秩稀疏分解的目标估计及字典在线更新的策略,在发生目标遮挡及外观变化时具有较好的鲁棒性.2.光照变化.视频序列(david、singer1)显示了光照明显变化以及尺度变化(singer1)和姿态改变(david).david序列中目标明暗程度不断变化.实验部分结果如图2(d)所示,第16帧至第120帧,跟踪目标从较暗场景到明亮场景.图2(g)显示了singer1序列中的目标发生明显光照变化,舞台灯光照射角度的改变造成目标光照变化.两组实验结果表明,在发生光照变化情况下本文算法与CT的跟踪效果较好.3.快速运动及运动模糊.视频序列(box、david、blurbody)存在运动模糊,视频序列(blurbody、bird2)存在快速运动,实验部分结果如图2(a)、(b)、(d)、(h)所示.一般来说,目标出现快速运动及运动模糊时跟踪目标的位置通常难以预测,从4组实验结果可以看出LOT在出现这些问题时完全丢失目标,CSK在box序列中同样完全丢失目标.VR-V在blurbody中表现较好,但在box序列中趋向失败.在box序列中尚能保持住目标的CT,在bird2序列中就完全丢失目标.从实验结果来看,本文算法在遇到快速运动及运动模糊等问题时显示了较好的跟踪性能.4.2定量评估算法性能我们采用中心位置误差(centerlocationerror)定量评估算法性能.中心位置误差指跟踪估计值中心位置与真实值的相对误差,该值越小跟踪性能越好.跟踪目标发生尺度变化、旋转等问题时中心位置误差不能很好评估算法性能,因此采用跟踪重叠率(pascalscore)对算法性能进行定量评估.根据PASCALVOC其中,ROI如表1所示,本文算法在中心位置误差评价中取得4个第一、2个第二,总平均中心位置误差最小.表2所示的跟踪重叠率数据中,本文算法取得4个第一、4个第二,总平均跟踪重叠率达到74.6%.两组定量数据表明,本文算法对于包含目标遮挡、光照变化、快速运动等问题的复杂场景下目标跟踪具有良好的跟踪鲁棒性.另外,采用每秒运行帧数定量分析跟踪的实时性,具体数据见表3.如表3所示,本文算法虽然对特征向量有效降维,一定程度降低了矩阵低秩稀疏分解的计算量,但算法实时性只好于LOT,与CSK、CT、VR-V相比实时性较差.5实验结果与分析本文提出一种压缩感知的矩阵低秩稀疏分解目标跟踪算法.该算法利用目标的压缩域特征构建目标外观模型,采用IALM求解矩阵低秩稀疏分解,将获得的候选目标稀疏误差向量构建误差矩阵.利用最小1-范数问题对候选目标集合的误差矩阵进行处理,选取最小1-范数代表的候选目标作